Adli olgularda metabolomik desenlerden ketoasidozun tespiti ve alt tiplerinin belirlenmesi

Otopsi salonunun ötesinde neden önemli

Ketoasidoz, kanın tehlikeli şekilde asidik hale geldiği hayatı tehdit eden bir durumdur; genellikle diyabet, yoğun alkol kullanımı, aşırı soğuk veya açlıkla ilişkilidir. Bir kişi ani olarak öldüğünde, adli tıp uzmanlarının bu süreçlerden hangisinin gerçekten sorumlu olduğunu söylemesi, günümüz laboratuvar testlerine rağmen şaşırtıcı derecede zor olabilir. Bu çalışma, kanda bulunan küçük moleküllerin desenlerinin modern bilgisayar teknikleriyle birleştirilmesinin, kişinin son metabolik durumunu yeniden yapılandırmaya ve neden öldüğünü daha net şekilde açıklamaya yardımcı olabileceğini gösteriyor.

Kan kimyasında gizli ipuçları aramak

Araştırmacılar sadece glukoz veya bireysel keton cisimleri gibi birkaç iyi bilinen maddeyi ölçmek yerine metabolomik adı verilen geniş bir yaklaşım kullandılar. Bu teknik, bir kan örneğindeki binlerce küçük molekülü aynı anda yakalayarak ölüm anındaki vücudun kimyasına dair ayrıntılı bir anlık görüntü sunar. İsveç’te otopsilerden alınan kan, yüksek çözünürlüklü kütle spektrometresiyle ilaç taraması için zaten çalıştırılıyor. Araştırma ekibi, aynı ölçümlerin vücudun kendi molekülleri hakkında da zengin bilgi içerdiğini fark etti ve 2017–2020 arasında toplanmış 1.700’den fazla gerçek adli vaka üzerinde bu mevcut kaynağı kullanarak çalıştı.

Ölümcül asidoz için bir “desen algılayıcısı” oluşturmak

Bilim insanları dört ana ölüm grubuna odaklandı: alkole bağlı ketoasidoz, diyabetik ketoasidoz, ölümcül hipotermi ve asma. Asma vakaları kontrol olarak kullanıldı çünkü ölüm nedeni genellikle nettir ve süreç nispeten hızlı olduğundan metabolizmanın sapması için daha az zaman vardır. Her kişinin femoral kan örneğinden ekip 4.484 ayrı kimyasal sinyal çıkardı. İstatistiksel testler, bunlardan 1.400’den fazlasının ketoasidozla ilişkili ölümler ile kontrol grubu arasında farklılık gösterdiğini ortaya koydu, ancak basit görselleştirme yöntemleri grupları temiz şekilde ayıramadı—bu da daha gelişmiş desen tanıma araçlarının gerektiğini gösteriyordu.

Bilgisayarlara ölüm nedenlerini ayırt etmeyi öğretmek

Bu karmaşıklığı aşmak için araştırmacılar üç tür makine öğrenimi modeli eğitti—rastgele ormanlar, cezalandırılmış regresyon biçimi ve destek vektör makineleri. Önce modellerden basit bir soruyu cevaplamaları istendi: bu kişi ketoasidoz nedeniyle mi öldü yoksa hayır mı? Vakaların %70’inden öğrenme yapıldıktan sonra modeller kalan %30 üzerinde test edildi. Üçü de ketoasidozu vakaların yaklaşık %90’ında doğru tanımladı ve kontrolleri yaklaşık %98 oranında doğru tanıdı; bu sonuç ketoasidozun genel metabolik parmak izinin ölüm sonrası bile ayırt edilebilir ve belirgin olduğunu gösteriyor.

Aynı ölümcül duruma giden farklı yolları ayırt etmek

Ardından ekip modelleri daha zor bir görevle sınadı: alkole bağlı ketoasidoz, diyabetik ketoasidoz, hipotermi ve kontrolleri birbirinden ayırmak. Bu durumda sistemler hâlâ güçlü performans gösterdi ve dengelenmiş doğruluk oranları %80’in üzerindeydi. Özellikle alkolik ve diyabetik ketoasidozu ayırmada iyiydiler; hipotermi vakaları bazen kontrollerle karıştırıldı, bu da bu gruplar arasında kimyasal örtüşme olduğunu yansıtıyor. Modellerin gerçekten sadece diyabet veya alkol kullanımını değil ketoasidozu tespit edip etmediğini görmek için araştırmacılar, diyabet veya alkolün bulunduğu fakat asıl ölüm nedeninin başka olduğu yeni vaka setleri üzerinde modelleri test ettiler. Bu vakaların pek çok tanesi doğru şekilde kontrol olarak sınıflandırıldı; bu da modellerin arka plandaki hastalıktan ziyade son metabolik krize odaklandığı fikrini destekliyor.

Moleküllerin vücudun son saatleri hakkında ne anlattığı

Modellerin en çok hangi özelliklere dayandığını inceleyerek araştırmacılar belirli koşullarla ilişkilendirilen birkaç isimlendirilmiş molekül tespit ettiler. Örneğin, glukosaminle ilişkili sinyaller diyabet içeren ölümlerde daha yüksekti; bu, uzun süreli yüksek kan şekeriyle bağlantılı bilinen yollarla uyumludur. Stres hormonu kortizol, kontrollerle karşılaştırıldığında tüm ketoasidoz alt tiplerinde yükselmişti; bu da ciddi fizyolojik zorlanmanın bir göstergesi olarak rolünü destekliyor. Vitamin B3 parçalanması ve pigment kimyasıyla ilişkili diğer moleküller özellikle hipotermide değişmiş görünüyordu; bu, önceki çalışmaları yineliyor ve soğuk stresinin ölüm yakınında metabolizmayı nasıl yeniden şekillendirdiğine dair ipuçları veriyor.

Zor adli kararlar için daha nesnel bir yaklaşım getirmek

Basitçe söylemek gerekirse, bu çalışma postmortem kandan alınan geniş kimyasal profiller üzerinde eğitilmiş bir bilgisayarın bir kişinin ketoasidoz durumunda ölüp ölmediğini tespit edebileceğini ve genellikle bunun arkasındaki itici faktörün diyabet, alkol veya soğuk maruziyeti olup olmadığını belirleyebileceğini gösteriyor. Modeller mükemmel değil ve özenli çalışma tasarımı ile yüksek kaliteli verilere bağlılar, ancak geleneksel bulgular ve birkaç laboratuvar testi belirsiz olduğunda güçlü bir ikinci görüş sunuyorlar. Daha fazla doğrulama ile bu tür metabolomik desen analizi, adli patologların ailelere ve mahkemelere bir kişinin nasıl ve neden öldüğüne dair daha net yanıtlar vermesine yardımcı olabilir.

Atıf: Monte, R.E.C., Magnusson, R., Söderberg, C. et al. Detecting and subtyping ketoacidosis from metabolomic patterns in forensic casework. Sci Rep 16, 11607 (2026). https://doi.org/10.1038/s41598-026-45073-4

Anahtar kelimeler: ketoasidoz, adalet tıbbı, metabolomik, makine öğrenimi, ölüm nedeni